（文章來源：AI科技大本營）

近日，Google 與滑鐵盧大學、大眾汽車等聯合發布 TensorFlow Quantum（TFQ），一個可快速建立量子機器學習模型原型的開源庫。TFQ提供了必要的工具，將量子計算和機器學習技術結合起來，以控制并建模自然或人工的量子計算系統。雖然機器學習不能完全模擬自然界的系統，但是它能夠學習這些系統的模型并預測系統的行為。

在過去的幾年里，傳統的機器學習模型已在處理具有挑戰性的科學問題上初露鋒芒，并促進了人類在癌癥檢測、圖像處理、地震預測、極端天氣預測和新系外行星探測方面的進步。近年來隨著量子計算的發展，新量子機器學習模型的發展已開始對世界重大問題產生深遠的影響，并有望讓人類在醫學、材料、傳感和通信領域取得突破。然而，到目前為止，我們仍然缺乏相應的研究工具來發現有用的量子機器學習模型——這些模型可以處理基于量子的數據，并在量子計算機上執行任務。

而如今，TFQ 通過提供與現有 TensorFlow API 兼容的量子計算基本要素以及高性能量子電路模擬器，將量子計算開源框架 Cirq 與 TensorFlow 集成在一起，為傳統的判別和生成量子模型的設計和實現提供了高層的抽象。什么是量子機器學習模型？量子模型具有以量子力學來表示和概括數據的能力。然而，為了理解量子模型，首先必須明確兩個概念：量子數據和量子-經典混合模型（hybrid quantum-classical model）。量子數據具有疊加和糾纏的特性，因此其聯合概率分布需要大量傳統的計算資源來表示或存儲。量子數據可以在量子處理器、傳感器、網絡中產生和模擬，包括化學物質和量子物質的模擬、量子控制、量子通信網絡、量子計量學等等。

從技術上來說，由 NISQ 處理器生成的量子數據具有關鍵的特性：嘈雜，且通常在測量之前就出現了糾纏。然而，將量子機器學習應用到嘈雜的糾纏量子數據可以最大程度地提取有用的經典信息。受這些技術的啟發，TFQ 庫提供了開發模型的原語，這些模型可用于解糾纏和泛化量子數據中的相關性，從而為改進現有量子算法或發現新的量子算法提供了機會。

第二個需要引入的概念是量子-經典混合模型。由于近來的量子處理器仍然相對較小，且很嘈雜，因此量子模型不能僅依賴量子處理器——NISQ 處理器需要和經典處理器配合，才能變得高效。由于TensorFlow支持跨CPU、GPU和TPU的異構計算，因此它是試驗量子-經典混合算法的首選平臺。

TFQ包含量子計算所需的基本結構，比如量子比特、門、電路以及測量運算符等。用戶指定的量子計算可在模擬的環境以及真實的硬件上執行。Cirq 還包含大量的構件，用以幫助用戶為 NISQ 處理器設計高效的算法，從而讓量子-經典混合算法的實現能在量子電路模擬器上運行，最終在量子處理器上運行。目前，Google 已將 TFQ 用于實現量子-經典卷積神經網絡，以及用于量子控制的機器學習、用于量子神經網絡的分層學習、量子動力學學習、混合量子態的生成建模以及經典的遞歸神經網絡。Google 提供了這些量子應用的概覽，每個示例都可以通過 Colab 在瀏覽器中運行。

TFQ如何工作？研究人員可以利用TFQ 在單個計算圖中構建量子數據集、量子模型以及作為張量的經典控制參數。引發經典概率事件的量子測量的結果可由TensorFlow Ops 獲得。而 TFQ 訓練可以使用標準的 Keras 函數進行。為了方便大家理解量子數據的使用，Google 提供了使用量子神經網絡對量子狀態進行監督分類的說明。與經典機器學習一樣，量子機器學習所面臨的關鍵性挑戰在于如何對 “噪聲數據” 進行分類。如果想構建和訓練這樣的模型，研究人員可以執行以下操作：

1. 準備一個量子數據集，量子數據作為張量（多維數組）來加載。每個量子數據張量都指定為用Cirq編寫的量子電路。這個電路可實時生成量子數據， 張量由TensorFlow在量子計算機上執行，用來生成量子數據集。

2. 評估一個量子神經網絡模型，研究人員可以使用Cirq建立量子神經網絡的原型，然后將其嵌入到TensorFlow計算圖中。基于對量子數據結構的了解，可以從幾個大類中選擇參數化的量子模型。這個模型的目標是執行量子處理，用來提取隱藏在典型的糾纏態下的信息。換句話說，量子模型實質上是對輸入的量子數據進行解糾纏，將隱藏的信息編碼在經典的相關性中，從而使它們適用于本地測量和經典后處理。

3. 樣本或平均值，量子態的測量需要以樣本的形式，從經典隨機變量中提取經典信息。來自該隨機變量值的分布，通常取決于量子態本身以及所測得的可觀測值。由于許多變分算法依賴于測量值的平均值（也稱為期望值），因此TFQ提供了在涉及步驟(1)和(2)的多次運行中求平均值的方法。

4. 評估一個經典的神經網絡模型，在經典信息被提取出來后，它的格式就適合進一步的經典后處理。由于提取的信息可能被編碼為測量期望之間的經典關聯，因此，研究人員可以使用經典深度神經網絡來提取這種關聯。

5. 評估成本函數，根據經典后處理的結果，評估成本函數。這可以基于模型執行分類任務的準確性（如果量子數據被標記），或者基于其他標準（如果任務是無監督的）。

6. 評估梯度和更新參數，在評估了成本函數之后，應按預期可降低成本的方向更新管道中的自由參數，這通常是通過梯度下降來執行的。TFQ 的一個關鍵特性將是能夠同時訓練和執行多個量子電路。

TensorFlow 能夠在計算機集群之間并行化計算，并能夠在多核計算機上模擬相對較大的量子電路，因此能夠實現TFQ的這一特性。此外，Goolge 團隊還宣布開放 qsim , 該模擬器能夠在 Goolge 云節點上在 111 秒內模擬門深度為14的32量子位量子電路。該模擬器還特別針對多核 Intel 處理器進行了優化。Google 結合 TFQ，已在60分鐘內在Google 云節點上以門深度 20 對 20 量子位的量子電路進行了 100 萬次電路仿真。
（責任編輯：fqj）